我们使用 YOLO Darknet 进行对象检测。我们使用Python3、tensorflow 1.0、numpy、opencv 3。使用yolo.weight进行检测。根据下面的链接给出：https://github.com/thtrieu/darkflow#cameravideo-file-demo https://github.com/thtrieu/darkflow#cameravideo-file-demo
当我们在视频上运行它时，它会同时检测所有不需要的对象？
请指导我们如何仅检测要搜索的特定类名。
Thanks
如果您只是按照 @JP Kim 提到的步骤进行操作 - 您将获得一个仅包含您的标签的视频，但它也会输出其他对象作为您的标签之一。
darkflow 存储库中有一个特定部分 https://github.com/thtrieu/darkflow#training-on-your-own-dataset它准确地告诉了如果您希望有不同的输出该怎么做。 TLDR - 你应该重新训练你的模型。他们通过 3 个类的例子来展示这一点。
但是，无论如何，让我引导您完成整个过程。让我们假设您有一个视频，您只需要跟踪其中的所有人员。因此，我们只需要跟踪一种类型的对象——“人”。
我们复制一份tiny-yolo-voc.cfg文件输入cfg目录。让我们按照他们的约定命名这个tiny-yolo-voc-1c.cfg哪里后缀1c代表类的数量。选择的理由tiny-yolo-voc与我们的基本模型不同的是，它是一个较小的网络，可以在较小的 GPU 上进行训练。据我观察，其他配置需要 10GB 以上的图形内存，它们常常导致我的机器内存不足。
-
我们将进行必要的更改tiny-yolo-voc-1c.cfg file :
- edit
classes变量为classes=1
- 在最后
convolutional之前的部分region，我们会改变filter变量为5 * (num_class + 5) = 5 * (1+5) = 30。所以，设置filters=30
我们将编辑labels.txt位于 darkflow 源目录中的文件，里面只有 1 行，上面写着person，因为我们只需要一种类型的标签。
-
现在，我们需要训练我们的模型。然而，对于训练，我们首先需要有数据集。
现在，如果您的标签是 VOC 数据集或 CoCo 数据集的现有标签之一，那么您只需下载 VOC / Coco 数据集之一。在我们的例子中person是我们需要跟踪的对象类型，并且它已经是 VOC 数据集中的一种对象类型。因此，我们将使用 VOC 数据集。
但是，如果您希望使用 YOLO 来分类和跟踪新类型的对象，那么您需要准备自己的数据集和注释。对于此自定义对象目的，您可以遵循第 5-8 部分这个 YouTube 视频系列 https://www.youtube.com/watch?v=Lg4T9iJkwhE。这些视频展示了如何使用 YOLO 进行跟踪和分类的示例fidget_spinner.
-
下载 VOC 数据集，因为它包含适合我们的对象类型的足够数据和注释person
# Download the Pascal VOC dataset:
curl -O https://pjreddie.com/media/files/VOCtest_06-Nov-2007.tar
tar xf VOCtest_06-Nov-2007.tar
我们不会从头开始训练。所以，我们实际上要加载权重tiny-yolo-voc模型并从那里开始重新训练，针对我们的特定用例（只是person班级）。为此，我们必须下载权重tiny-yolo-voc。你可以找到权重这里是 YOLO v2 https://pjreddie.com/darknet/yolov2/。我们将下载权重用于 VOC 数据集的微型 YOLO https://pjreddie.com/media/files/yolov2-tiny-voc.weights。将文件移至/darkflow/bin/下载后的目录。
下载此文件后，基础模型配置文件和权重文件必须具有相同的名称。由于重命名配置不是一个好主意，我们将重命名我们下载的权重yolov2-tiny-voc.weights to tiny-yolo-voc.weights。这是必需的，因为当我们训练时，我们提供了权重文件，darkflow 尝试选取相应的配置文件作为训练新模型的参考。
darkflow 存储库页面上也提到了这一点：
当 darkflow 发现您正在加载tiny-yolo-voc.weights时，它将在您的 cfg/ 文件夹中查找tiny-yolo-voc.cfg，并将该配置文件与您使用 --model cfg/tiny-yolo 设置的新配置文件进行比较-voc-1c.cfg。在这种情况下，除了最后两层之外，每一层都将具有相同的权重数量，因此它将把权重加载到直到最后两层的所有层中，因为它们现在包含不同数量的权重。
-
现在，我们可以训练我们的模型了。您可以删除--gpu 0.9如果你没有 GPU 来训练这个部分。
# Train the net on the Pascal dataset:
flow --model cfg/tiny-yolo-voc-1c.cfg --load bin/tiny-yolo-voc.weights --train --dataset "~/VOCdevkit/VOC2007/JPEGImages" --annotation "~/VOCdevkit/VOC2007/Annotations" --gpu 0.9
当您认为损失不再减少时，按 Ctrl+C 结束训练。通常良好的损失/平均损失是 1 或低于 1。
您可能已经注意到，每执行 250 步后，darkflow 就会继续在ckpt/目录。停止训练后，您可以使用这些检查点中的任何一个来测试您的模型。
-
我们将在人物视频上运行它，并让它保存带有边界框预测的新视频。我们在此示例中使用第 1500 步检查点。
flow --model cfg/tiny-yolo-voc-1c.cfg --load 1500 --demo video-input.mp4 --gpu 0.9 --saveVideo
当您运行此程序时，它将显示模型能够处理您的视频的 FPS。这可能会因您的机器而异。根据 FPS 和视频长度，此过程可能需要一些时间才能完成。该过程完成后，您将获得video.avi创建于darkflow/目录。
这个应该只有person视频中检测到的对象类型。
如果输出不是很好，您可以进一步训练模型，和/或改变阈值或其他参数以获得更好的输出。
希望这可以帮助。
本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)
